Machine Learning-Based Prediction of Acute Morbidity and Counterfactual Policy Simulation among Children 6–23 Months of Age in Punjab, Pakistan: A Secondary Analysis of a Multi-Indicator Cluster Survey 2017–18

في أول عامين من حياة الطفل، يبني الجسم أساسه. هذه نافذة حرجة حيث يشكل الغذاء والبيئة ليس فقط كيفية نمو الطفل، بل مدى قدرة جهازه المناعي على محاربة الأمراض الشائعة. عندما يصاب طفل في بيئة منخفضة الدخل بحمى أو إسهال أو عدوى تنفسية، تكون المخاطر عالية؛ فهذه الأمراض الحادة هي السبب الرئيسي للوفاة بين الأطفال الصغار في أجزاء كثيرة من العالم. وبينما يعلم الأطباء ومسؤولو الصحة العامة منذ زمن طويل أن الفقر ونقص التعليم وسوء التغذية تساهم في المرض، فإن المزيج الدقيق للعوامل معقد. ومن الصعب فك تشابك أي تدخل واحد من شأنه أن ينقذ أكبر عدد من الأرواح أو يمنع أكبر قدر من المرض في منطقة معينة. ولحل هذه المعضلة، يتجه الباحثون بشكل متزايد إلى النماذج الحاسوبية التي يمكنها غربلة كميات هائلة من بيانات المسح لإيجاد أنماط قد تغيب عن التحليل البشري، مما يسمح لهم باختبار ما سيحدث إذا تم تحسين ظروف معينة.

طبق فريق من الباحثين في باكستان هذا النهج على صحة الأطفال في البنجاب، وهي المقاطعة الأكثر اكتظاظاً بالسكان في البلاد. ركزوا على الأطفال الذين تتراوح أعمارهم بين ستة و23 شهراً، وهي مجموعة معرضة للخطر بشكل خاص. وباستخدام بيانات من مسح منزلي ضخم أُجري في عامي 2017 و2018، فحصوا ما يقرب من 10,000 طفل لفهم سبب إصابة بعضهم بالمرض وسلامة آخرين. لم يكن الباحثون يبحثون فقط عن الارتباطات؛ بل أرادوا محاكاة المستقبل. لقد بنوا نموذجاً حاسوبياً يتعلم من البيانات الموجودة للتنبؤ بالمرض، ثم طرحوا سؤال "ماذا لو": ماذا سيحدث لصحة السكان بأكملهم إذا حصل كل طفل على المكملات الفيتامينية، أو إذا حصلت كل أم على مستوى تعليمي أعلى؟ هذه الطريقة، المعروفة باسم المحاكاة اللاحقة للواقع (counterfactual simulation)، تسم ت للعلماء تقدير التأثير المحتمل لتغييرات السياسات قبل تنفيذها فعلياً.

بدأت الدراسة بالنظر إلى الواقع الحالي على الأرض. في الأسبوعين اللذين سبقا المسح، كان ما يقرب من نصف الأطفال في العينة قد أصيبوا بمرض واحد على الأقل من الأمراض الرئيسية في مرحلة الطفولة: الحمى، أو الإسهال، أو السعال، أو صعوبة التنفس. ولم يكن عبء المرض موزعاً بالتساوي عبر المقاطعة؛ ففي بعض الأقسام، مثل ديرا غازي خان، كان أكثر من ثلثي الأطفال قد مرضوا، بينما في أقسام أخرى، مثل جوجرانوالا، كان المعدل أقل بكثير. كما لاحظ الباحثون أن الغالبية العظمى من الأطفال لا يتلقون مكملات الفيتامينات أو المعادن، وأن جزءاً كبيراً من الأمهات ليس لديهن تعليم رسمي. كانت هذه هي المكونات الخام التي احتاج إليها النموذج الحاسوبي للتعلم منها.

ولفهم هذا التعقيد، استخدم الباحثون تقنية تعلم آلي تسمى "الغابة العشوائية" (random forest). تخيل غابة من أشجار القرار، حيث تطرح كل شجرة سلسلة من الأسئلة البسيطة حول حياة الطفل - مثل "هل تمتلك الأسرة تأميناً صحياً؟" أو "هل تلقى الطفل الفيتامينات؟" - لتقرر ما إذا كان الطفل من المرجح أن يكون مريضاً. بنى الكمبيوتر آلاف الأشجار من هذا النوع، حيث تنظر كل منها إلى البيانات بشكل مختلف قليلاً، ثم تركها تصوت على الإجابة النهائية. هذا النهج قوي لأنه يمكنه التعامل مع البيانات الواقعية الفوضوية حيث تتداخل العديد من العوامل. تم تدريب النموذج على معظم البيانات ثم اختباره على مجموعة منفصلة لمعرفة مدى أدائه. وقد نجح في التنبؤ بما إذا كان الطفل معافى أو مريضاً بشكل أفضل من التخمين العشوائي، مما أثبت أن البيانات تحتوي على إشارات واضحة حول ما يدفع المرض.

بمجرد بناء النموذج، انتقل الباحثون إلى الجزء الأهم من الدراسة: تحديد العوامل الأكثر أهمية. لقد قاسوا مدى مساهمة كل متغير، من الثروة إلى النظام الغذي، في قدرة النموذج على التمييز بين الأطفال المرضى والأصحاء. كانت النتائج مذهلة؛ إذ كان العامل الأهم بمفرده هو الحصول على مكملات الفيتامينات والمعادن. تفوق هذا العامل على كل شيء آخر، بما في ذلك ثروة الأسرة ومستوى تعليم الأم. وبينما يرتبط الفقر والتعليم بلا شك بالصحة، أظهرت البيانات أن وجود أو غياب هذه المكملات كان أقوى مؤشر على ما إذا كان الطفل سيصاب بالمرض. وكانت عوامل أخرى، مثل تعليم الأم ونظام الطفل الغذائي، مهمة أيضاً، لكنها لعبت دوراً ثانوياً مقارنة بالمكملات.

استخدم الباحثون بعد ذلك النموذج لإجراء عمليات المحاكاة الخاصة بهم، مما خلق فعلياً نسخة رقمية من البنجاب حيث يمكنهم تغيير قاعدة واحدة في كل مرة. في السيناريو الأول، تخيلوا عالماً يحصل فيه كل طفل في الدراسة على مكملات الفيتامينات والمعادن. توقع النموذج أن هذا التغيير الوحيد سيؤدي إلى تحسن هائل في الصحة العامة؛ إذ من المتوقع أن ترتفع نسبة الأطفال الأصحاء بنسبة تقارب ثلاثة عشر بالمائة، وهو تحول يمثل آلاف الأطفال الأقل عرضة للمرض في جميع أنحاء المقاطعة. وفي السيناريو الثاني، تخيلوا أن كل أم في العينة قد حصلت على مستوى تعليمي أعلى، مما أدى أيضاً إلى تحسن، ولكنه كان أصغر بكثير، حيث رفع معدل الصحة بنحو ثلاثة ونصف بالمائة. أما السيناريو الثالث، حيث كان لدى كل طفل نظام غذائي يلبي المعايير الدنيا للتنوع، فقد أنتج أقل مكسب، حيث زاد معدل الصحة بأقل من نصف بالمائة.

تشير هذه النتائج إلى أنه بينما يعد التعليم والنظام الغذائي أمرين حيويين، فإن الأداة الأكثر مباشرة وقوة لتقليل المرض في هذه المجموعة السكانية المحددة هي ضمان حصول الأطفال على الفيتامينات والمعادن. تشير المحاكاة إلى أن برنامجاً مستهدفاً لتوفير هذه المكملات يمكن أن يكون له تأثير أكبر بكثير على الصحة العامة من التدخلات الأخرى، على الأقل في المدى القصير. وأشار الباحثون إلى أن هذا لا يعني أن التعليم أو النظام الغذي غير مهمين، بل يعني أن الفجوة في الوصول إلى المكملات هي عقبة حرجة، إذا تمت إزالتها، فإنها تحقق أعلى عائد. وتوضح الدراسة أنه في الأقسام ذات معدلات المرض المرتفعة، مثل ديرا غازي خان، فإن إعطاء الأولوية لهذه المكملات قد ينقذ أكبر عدد من الأرواح.

تخلص الدراسة إلى أن هذا الجمع بين تعلم الآلة والمحاكاة يوفر طريقة جديدة لاتخاذ قرارات الصحة العامة. فبدلاً من التخمين بشأن أي سياسة قد تنجح، يمكن للمسؤولين استخدام هذه النماذج لرؤية النتيجة المرجحة لمختلف الخيارات. وبالنسبة لأطفال البنجاب، يبدو المسار واضحاً: بينما تظل الاستثمارات طويلة الأجل في التعليم والتغذية ضرورية، فإن الجهود المركزة لضمان حصول كل طفل على مكملات الفيتامينات والمعادن يمكن أن تقلل بشكل كبير من عبء الأمراض الحادة في السنوات القادمة. توفر البيانات خارطة طريق، تظهر أن تدخلاً بسيطاً نسبياً يمكن أن يؤدي إلى مستقبل أكثر صحة لأكثر الأطفال ضعفاً في المنطقة.